[发明专利]推荐模型的训练方法、推荐方法、装置、设备及存储介质

权利要求书

1.一种推荐模型的训练方法，其特征在于，包括：

获取多个参与方的共同本地数据，所述共同本地数据包括用户信息和所述用户信息对应的物品评分信息，并基于所述用户信息和所述用户信息对应的物品评分信息构建多个物品评分矩阵；

对构建的多个所述物品评分矩阵进行矩阵分解，得到用户隐矩阵和多个物品隐矩阵；

各个参与方分别在本地对所述用户隐矩阵以及各自的所述物品隐矩阵进行迭代训练，并基于所述用户隐矩阵和多个所述物品隐矩阵构建矩阵模型，计算所述矩阵模型的损失函数的损失值；

当所述矩阵模型的损失函数的损失值达到预设值时，将所述矩阵模型作为推荐模型，完成模型训练。

2.根据权利要求1所述的推荐模型的训练方法，其特征在于，多个参与方中包括推荐参与方和其他参与方，所述其他参与方为多个参与方中除所述推荐参与方以外的其他训练参与方，多个所述物品隐矩阵包括推荐物品隐矩阵和其他物品隐矩阵；所述各个参与方分别在本地对所述用户隐矩阵以及各自的所述物品隐矩阵进行迭代训练，包括：

分别对所述用户隐矩阵和多个所述物品隐矩阵进行初始化，得到初始化用户隐矩阵、初始化推荐物品隐矩阵和初始化其他物品隐矩阵；

将所述初始化用户隐矩阵发送至其他参与方，使其他参与方在本地基于所述初始化其他物品隐矩阵和所述初始化用户隐矩阵计算中间值，将所述中间值发送给所述推荐参与方；

基于所述中间值对所述初始化用户隐矩阵进行更新，得到更新用户隐矩阵和更新推荐物品隐矩阵；

将所述更新用户隐矩阵发送至其他参与方，使其他参与方基于所述初始化用户隐矩阵对所述初始化其他物品隐矩阵进行更新，得到更新其他物品隐矩阵。

3.根据权利要求2所述的推荐模型的训练方法，其特征在于，所述计算所述矩阵模型的损失函数的损失值，包括：

基于所述特征矩阵的损失函数公式，根据所述更新用户隐矩阵、所述更新推荐物品隐矩阵和所述更新其他物品隐矩阵计算所述特征矩阵的损失函数的损失值；

所述特征矩阵的损失函数公式为：

其中，L_J表示特征矩阵J的损失函数；u_i为用户隐矩阵U的第i行向量，代表用户i的特征向量；v_Aj为推荐物品隐矩阵V_A的第j行向量，代表推荐参与方中第j种物品的特征向量；v_Bj为其他物品隐矩阵V_B的第j行向量，代表其他参与方中第j种物品的特征向量；λ₁，λ₂为正则化系数。

4.根据权利要求2所述的推荐模型的训练方法，其特征在于，所述方法包括：

根据所述更新用户隐矩阵、所述更新推荐物品隐矩阵和所述更新其他物品隐矩阵计算所述特征矩阵的损失函数的损失值，并采用梯度下降法最小化所述损失函数的损失值。

5.根据权利要求2所述的推荐模型的训练方法，其特征在于，所述将所述中间值发送给所述推荐参与方，包括：

对所述中间值进行加密，并将加密后的中间值发送给所述推荐参与方；

所述将所述更新用户隐矩阵发送至其他参与方，包括：

对所述更新用户矩阵进行加密，并将加密后的更新用户矩阵发送至其他参与方。

6.一种用户推荐方法，其特征在于，所述方法包括：

获取新用户的用户信息，并基于所述用户信息获取所述新用户在其他参与方的物品评分信息；

基于所述评分信息和预先训练的推荐模型确定所述新用户在推荐参与方的物品评分信息；

根据所述新用户在所述推荐参与方的物品评分信息对所述新用户进行推荐；

其中，所述预先训练的推荐模型是采用如权利要求1至5中任一项所述的推荐模型的训练方法训练的到的。